Vertraulichkeitsrisiken bei der Verteilungsinferenz von Maschinenlernmodellen

Verteilungsinferenz-Angriffe zielen darauf ab, statistische Eigenschaften der Trainingsdaten von Maschinenlernmodellen zu erschließen. Diese Angriffe können überraschend effektiv sein, aber die Faktoren, die das Risiko der Verteilungsinferenz beeinflussen, sind nicht gut verstanden. Wir entwickeln einen neuen Black-Box-Angriff, der in den meisten Fällen sogar den besten bekannten White-Box-Angriff übertrifft, und evaluieren die Wirksamkeit zuvor vorgeschlagener und neuer Verteidigungsmaßnahmen.